內置交易策略

qteasy提供了70多種內置交易策略，用戶可以很容易地直接使用這些交易策略，同時，qteasy提供了一套交易策略組合機制，用戶可以將多個簡單的交易策略組合成一個比較複雜的交易策略，策略的組合方式是可以靈活設定的。將多個簡單交易策略組合成一個複雜的策略後，同樣可以使用策略優化工具搜索整個複雜策略的最佳參數。

在這篇教程中，您將瞭解如何使用內置交易策略，如何組合策略，如何設定組合規則實現複雜策略，以及如何優化策略。

內置交易策略的使用

`qt.get_built_in_strategy(id)`

`qt.built_in_list(stg_id=None)`

上面三個方法的輸出是一樣的，都用一個dict列出所有的內置交易策略，dict的key是交易策略的ID，value是交易策略對象。如果給出stg_id，則列印出指定的交易策略的詳細資訊。例如：

# 获取内置交易策略的清单
stg_list = qt.built_ins('dma')

列印如下資訊：

DMA择时策略

策略参数：
    s, int, 短均线周期
    l, int, 长均线周期
    d, int, DMA周期
信号类型：
    PS型：百分比买卖交易信号
信号规则：
    在下面情况下产生买入信号：
    1， DMA在AMA上方时，多头区间，即DMA线自下而上穿越AMA线后，输出为1
    2， DMA在AMA下方时，空头区间，即DMA线自上而下穿越AMA线后，输出为0
    3， DMA与股价发生背离时的交叉信号，可信度较高

策略属性缺省值：
默认参数：(12, 26, 9)
数据类型：close 收盘价，单数据输入
采样频率：天
窗口长度：270
参数范围：[(10, 250), (10, 250), (8, 250)]
策略不支持参考数据，不支持交易数据

在qteasy中，可以直接使用策略的ID獲取內置交易策略

除了使用qt.get_built_in_strategy()獲取交易策略以外，在創建Operator對象的時候，將內置交易策略的ID作爲參數傳入，也可以直接創建交易策略。

# 获取内置交易策略的ID
strategy_ids = qt.built_ins().keys()
print(list(strategy_ids)[:10])

['crossline', 'macd', 'dma', 'trix', 'cdl', 'bband', 's-bband', 'sarext', 'ssma', 'sdema']

# 使用策略ID获取交易策略
stg = qt.get_built_in_strategy('trix')
# 显示策略的相关信息
stg.info()

Strategy_type:      RuleIterator
Strategy name:      TRIX
Description:        TRIX strategy, determine long/short position according to triple exponential weighted moving average prices
Strategy Parameter: (25, 125)

Strategy Properties     Property Value
---------------------------------------
Parameter count         2
Parameter types         ['int', 'int']
Parameter range         [(2, 50), (3, 150)]
Data frequency          d
Sample frequency        d
Window length           270
Data types              ['close']

# 通过策略ID直接生成Operator
op = qt.Operator(strategies='dma, macd')
# 通过op.get_stg或op[]获取交易策略
stg_dma = op.get_stg('dma')
stg_macd = op['macd']

# 查看两个交易策略的相关信息
stg_dma.info()
stg_macd.info()

Strategy_type:      RuleIterator
Strategy name:      DMA
Description:        Quick DMA strategy, determine long/short position according to differences of moving average prices with simple timing strategy
Strategy Parameter: (12, 26, 9)

Strategy Properties     Property Value
---------------------------------------
Parameter count         3
Parameter types         ['int', 'int', 'int']
Parameter range         [(10, 250), (10, 250), (10, 250)]
Data frequency          d
Sample frequency        d
Window length           270
Data types              ['close']

Strategy_type:      RuleIterator
Strategy name:      MACD
Description:        MACD strategy, determine long/short position according to differences of exponential weighted moving average prices
Strategy Parameter: (12, 26, 9)

Strategy Properties     Property Value
---------------------------------------
Parameter count         3
Parameter types         ['int', 'int', 'int']
Parameter range         [(10, 250), (10, 250), (10, 250)]
Data frequency          d
Sample frequency        d
Window length           270
Data types              ['close']

目前qteasy支持的內置交易策略如下：

ID	策略名稱	說明
crossline	`TimingCrossline`	crossline擇時策略類，利用長短均線的交叉確定多空狀態 1，當短均線位於長均線上方，且距離大於lm%時，設置倉位目標爲1 2，當短均線位於長均線下方，且距離大於lm%時，設置倉位目標爲-1 3，當長短均線之間的距離不大於l*m%時，設置倉位目標爲0
macd	`TimingMACD`	MACD擇時策略類，運用MACD均線策略，生成目標倉位百分比: 1，當MACD值大於0時，設置倉位目標爲1 2，當MACD值小於0時，設置倉位目標爲0
dma	`TimingDMA`	DMA擇時策略 1， DMA在AMA上方時，多頭區間，即DMA線自下而上穿越AMA線後，輸出爲1 2， DMA在AMA下方時，空頭區間，即DMA線自上而下穿越AMA線後，輸出爲0
trix	`TimingTRIX`	TRIX擇時策略，使用股票價格的三重平滑指數移動平均價格進行多空判斷: 計算價格的三重平滑指數移動平均價TRIX，再計算M日TRIX的移動平均： 1， TRIX位於MATRIX上方時，設置倉位目標爲1 2， TRIX位於MATRIX下方時，設置倉位目標位-1
cdl	`TimingCDL`	CDL擇時策略，在K線圖中找到符合要求的cdldoji模式搜索歷史數據窗口內出現的cdldoji模式（匹配度0～100之間），加總後/100，計算等效cdldoji匹配數量，以匹配數量爲交易信號。
bband	TimingBBand	布林帶線交易策略，根據股價與布林帶上軌和布林帶下軌之間的關係確定多空，在價格上穿或下穿布林帶線上下軌時產生交易信號。布林帶線的均線類型不可選 1，當價格上穿上軌時，產生全倉買入信號 2，當價格下穿下軌時，產生全倉賣出信號
s-bband	SoftBBand	布林帶線漸進交易策略，根據股價與布林帶上軌和布林帶下軌之間的關係確定多空，交易信號不是一次性產生的，而是逐步漸進買入和賣出。計算BBAND，檢查價格是否超過BBAND的上軌或下軌： 1，當價格大於上軌後，每天產生10%的比例買入交易信號 2，當價格低於下軌後，每天產生33%的比例賣出交易信號
sarext	`TimingSAREXT`	擴展拋物線SAR策略，當指標大於0時發出買入信號，當指標小於0時發出賣出信號
ssma	`SCRSSMA`	單均線交叉策略——SMA均線(簡單移動平均線)：根據股價與SMA均線的相對位置設定持倉比例
sdema	`SCRSDEMA`	單均線交叉策略——DEMA均線(雙重指數平滑移動平均線)：根據股價與DEMA均線的相對位置設定持倉比例
sema	`SCRSEMA`	單均線交叉策略——EMA均線(指數平滑移動均線)：根據股價與EMA均線的相對位置設定持倉比例
sht	`SCRSHT`	單均線交叉策略——HT(希爾伯特變換瞬時趨勢線)：根據股價與HT線的相對位置設定持倉比例
skama	`SCRSKAMA`	單均線交叉策略——KAMA均線(考夫曼自適應移動均線)：根據股價與KAMA均線的相對位置設定持倉比例
smama	`SCRSMAMA`	單均線交叉策略——MAMA均線(MESA自適應移動平均線)：根據股價與MAMA均線的相對位置設定持倉比例
st3	`SCRST3`	單均線交叉策略——T3均線(三重指數平滑移動平均線)：根據股價與T3均線的相對位置設定持倉比例
stema	`SCRSTEMA`	單均線交叉策略——TEMA均線(三重指數平滑移動平均線)：根據股價與TEMA均線的相對位置設定持倉比例
strima	`SCRSTRIMA`	單均線交叉策略——TRIMA均線(三重指數平滑移動平均線)：根據股價與TRIMA均線的相對位置設定持倉比例
swma	`SCRSWMA`	單均線交叉策略——WMA均線(加權移動平均線)：根據股價與WMA均線的相對位置設定持倉比例
dsma	`DCRSSMA`	雙均線交叉策略——SMA均線(簡單移動平均線)：基於SMA均線計算規則生成快慢兩根均線，根據快與慢兩根均線的相對位置設定持倉比例
ddema	`DCRSDEMA`	雙均線交叉策略——SMA均線(簡單移動平均線)：基於DEMA均線計算規則生成快慢兩根均線，根據快與慢兩根均線的相對位置設定持倉比例
dema	`DCRSEMA`	雙均線交叉策略——SMA均線(簡單移動平均線)：基於EMA均線計算規則生成快慢兩根均線，根據快與慢兩根均線的相對位置設定持倉比例
dkama	`DCRSKAMA`	雙均線交叉策略——SMA均線(簡單移動平均線)：基於KAMA均線計算規則生成快慢兩根均線，根據快與慢兩根均線的相對位置設定持倉比例
dmama	`DCRSMAMA`	雙均線交叉策略——SMA均線(簡單移動平均線)：基於MAMA均線計算規則生成快慢兩根均線，根據快與慢兩根均線的相對位置設定持倉比例
dt3	`DCRST3`	雙均線交叉策略——SMA均線(簡單移動平均線)：基於T3均線計算規則生成快慢兩根均線，根據快與慢兩根均線的相對位置設定持倉比例
dtema	`DCRSTEMA`	雙均線交叉策略——SMA均線(簡單移動平均線)：基於TEMA均線計算規則生成快慢兩根均線，根據快與慢兩根均線的相對位置設定持倉比例
dtrima	`DCRSTRIMA`	雙均線交叉策略——SMA均線(簡單移動平均線)：基於TRIMA均線計算規則生成快慢兩根均線，根據快與慢兩根均線的相對位置設定持倉比例
dwma	`DCRSWMA`	雙均線交叉策略——SMA均線(簡單移動平均線)：基於WMA均線計算規則生成快慢兩根均線，根據快與慢兩根均線的相對位置設定持倉比例
slsma	`SLPSMA`	均線斜率交易策略——SMA均線(簡單移動平均線)：基於SMA計算規則生成移動均線，根據均線的斜率設定持倉比例目標
sldema	`SLPDEMA`	均線斜率交易策略——DEMA均線(雙重指數平滑移動平均線)：基於DEMA計算規則生成移動均線，根據均線的斜率設定持倉比例目標
slema	`SLPEMA`	均線斜率交易策略——EMA均線(指數平滑移動平均線)：基於EMA計算規則生成移動均線，根據均線的斜率設定持倉比例目標
slht	`SLPHT`	均線斜率交易策略——HT均線(希爾伯特變換——瞬時趨勢線線)：基於HT計算規則生成移動均線，根據均線的斜率設定持倉比例目標
slkama	`SLPKAMA`	均線斜率交易策略——KAMA均線(考夫曼自適應移動平均線)：基於KAMA計算規則生成移動均線，根據均線的斜率設定持倉比例目標
slmama	`SLPMAMA`	均線斜率交易策略——MAMA均線(MESA自適應移動平均線)：基於MAMA計算規則生成移動均線，根據均線的斜率設定持倉比例目標
slt3	`SLPT3`	均線斜率交易策略——T3均線(三重指數平滑移動平均線)：基於T3計算規則生成移動均線，根據均線的斜率設定持倉比例目標
sltema	`SLPTEMA`	均線斜率交易策略——TEMA均線(三重指數平滑移動平均線)：基於TEMA計算規則生成移動均線，根據均線的斜率設定持倉比例目標
sltrima	`SLPTRIMA`	均線斜率交易策略——TRIMA均線(三重指數平滑移動平均線)：基於TRIMA計算規則生成移動均線，根據均線的斜率設定持倉比例目標
slwma	`SLPWMA`	均線斜率交易策略——WMA均線(加權移動平均線)：基於WMA計算規則生成移動均線，根據均線的斜率設定持倉比例目標
adx	`ADX`	ADX指標（平均定向運動指數）選股策略：基於ADX指標判斷當前趨勢的強度，從而根據趨勢強度產生交易信號 1, 當ADX大於25時，判斷趨勢向上，設定持倉比例爲1 2, 當ADX介於20到25之間時，判斷爲中性趨勢，設定持倉比例爲0 3, 當ADX小於20時，判斷趨勢向下，設定持倉比例爲-1
apo	`APO`	APO指標（絕對價格震盪指標）選股策略：基於APO指標判斷當前股價變動的牛熊趨勢，從而根據趨勢產生交易信號 1, 當APO大於0時，判斷爲牛市趨勢，設定持倉比例爲1 2, 當ADX小於0時，判斷爲熊市趨勢，設定持倉比例爲-1
aroon	`AROON`	AROON指標選股策略：通過計算AROON指標趨勢的強弱程度輸出強多/空頭和弱多/空頭 1, 當UP在DOWN的上方時，輸出弱多頭 2, 當UP位於DOWN下方時，輸出弱空頭 3, 當UP大於70且DOWN小於30時，輸出強多頭 4, 當UP小於30且DOWN大於70時，輸出強空頭
aroonosc	`AROONOSC`	AROON Oscillator (AROON震盪指標) 選股策略：當AROONOSC大於0時表示價格趨勢向上，反之趨勢向下，絕對值大於50時表示強烈的趨勢 1, 當AROONOSC大於0時，輸出弱多頭 2, 當AROONOSC小於0時，輸出弱空頭 3, 當AROONOSC大於50時，輸出強多頭 4, 當AROONOSC小於-50時，輸出強空頭
cci	`CCI`	CCI (Commodity Channel Index商品渠道指數) 選股策略： CCI商品渠道指數被用來判斷當前股價位於超賣還是超買區間，本策略使用這個指標生成投資倉位目標 1, 當CCI大於0時，輸出弱多頭 2, 當CCI小於0時，輸出弱空頭 3, 當CCI大於50時，輸出強多頭 4, 當CCI小於-50時，輸出強空頭
cmo	`CMO`	CMO (Chande Momentum Oscillator 錢德動量振盪器) 選股策略： CMO 是一個在-100到100之間波動的動量指標，它被用來判斷當前股價位於超賣還是超買區間，本策略使用這個指標生成投資倉位目標 1, 當CMO大於0時，輸出弱多頭 2, 當CMO小於0時，輸出弱空頭 3, 當CMO大於50時，輸出強多頭 4, 當CMO小於-50時，輸出強空頭
macdext	`MACDEXT`	MACDEXT (Extendec MACD 擴展MACD指數) 選股策略：本策略使用MACD指標生成持倉目標，但是與標準的MACD不同，MACDEXT的快、慢、及信號均線的類型均可選 1, 當hist>0時輸出多頭 2, 當hist<0時輸出空頭
mfi	`MFI`	MFI (Money Flow Index 貨幣流向指數) 交易策略： MFI指數用於判斷股價屬於超買還是超賣狀態，本策略使用MFI指標生成交易信號 1, 當MFI>20時，持續不斷產生10%買入交易信號 2, 當MFI>80時，持續不斷產生30%賣出交易信號，持續賣出持倉股票
di	`DI`	DI (Directory Indicator 方向指標) 交易策略： DI 指標包含負方向指標與正方向指標，它們分別表示價格上行和下行的趨勢強度，本策略使用±DI指標生成交易信號 1, 當+DI > -DI時，設置持倉目標爲1 2, 當+DI < -DI時，設置持倉目標爲-1
dm	`DM`	DM (Directional Movement 方向運動指標) 交易策略： DM 指標包含負方向運動指標(Negative Directional Movement)與正方向運動指標(Positive Directional Movement)，它們分別表示價格上行和下行的趨勢，本策略使用±DM指標生成交易信號 1, 當+DM > -DM時，設置持倉目標爲1 2, 當+DM < -DM時，設置持倉目標爲-1 3, 其餘情況設置持倉目標爲0
mom	`MOM`	MOM (momentum indicator 動量指標) 交易策略： MOM 指標可以用於識別價格的上行或下行趨勢的強度，當前價格高於N日前價格時，MOM爲正，反之爲負。 1, 當MOM > 0時，設置持倉目標爲1 2, 當MOM < 0時，設置持倉目標爲-1 3, 其餘情況設置持倉目標爲0
ppo	`PPO`	PO (Percentage Price Oscillator 百分比價格振盪器) 交易策略： PPO 指標表示快慢兩根移動均線之間的百分比差值，用於判斷價格的變化趨勢。長短均線的計算週期和均線類型均爲策略參數。 1, 當PPO > 0時，設置持倉目標爲1 2, 當PPO < 0時，設置持倉目標爲-1 3, 其餘情況設置持倉目標爲0
rsi	`RSI`	RSI (Relative Strength Index 相對強度指數) 交易策略： RSI 指標度量最近價格變化的幅度，從而判斷目前股票屬於超賣還是超買狀態 1, 當RSI > ulim時，設置持倉目標爲1 2, 當RSI < llim時，設置持倉目標爲-1 3, 其餘情況設置持倉目標爲0
stoch	`STOCH`	STOCH (Stochastic Indicator 隨機指數) 交易策略： STOCH 指標度量價格變化的動量，並且動量的大小判斷價格趨勢，並生成比例買賣交易信號。 1, 當k > 80時，產生逐步賣出信號，每週期賣出持有份額的30% 2, 當k < 20時，產生逐步買入信號，每週期買入總投資額的10%
stochf	`STOCHF`	STOCHF (Stochastic Fast Indicator 快速隨機指標) 交易策略： STOCHF 指標度量價格變化的動量，與STOCH策略類似，使用快速隨機指標判斷價格趨勢，並生成比例買賣交易信號。 1, 當k > 80時，產生逐步賣出信號，每週期賣出持有份額的30% 2, 當k < 20時，產生逐步買入信號，每週期買入總投資額的10%
stochrsi	`STOCHRSI`	STOCHRSI (Stochastic Relative Strength Index 隨機相對強弱指標) 交易策略： STOCHRSI 指標度量價格變化的動量，該指標在0～1之間波動，表示相對的價格趨勢強弱程度，並生成比例買賣交易信號 1, 當k > 0.8時，產生逐步賣出信號，每週期賣出持有份額的30% 2, 當k < 0.2時，產生逐步買入信號，每週期買入總投資額的10%
ultosc	`ULTOSC`	ULTOSC (Ultimate Oscillator Indicator 終極振盪器指標) 交易策略： ULTOSC 指標通過三個不同的時間跨度計算價格動量，並根據多種不同動量之間的偏離值生成交易信號。 1, 當ULTOSC > u時，產生逐步賣出信號，每週期賣出持有份額的30% 2, 當ULTOSC < l時，產生逐步買入信號，每週期買入總投資額的10%
willr	`WILLR`	WILLR (William’s %R 威廉姆斯百分比) 交易策略： WILLR 指標被用於計算股價當前處於超買還是超賣區間，並用於生成交易信號 1, 當WILLR > -l時，產生逐步賣出信號，每週期賣出持有份額的30% 2, 當WILLR < -u時，產生逐步買入信號，每週期買入總投資額的10%
signal_none	`SignalNone`	空交易信號策略：不生成任何交易信號的策略
sellrate	`SellRate`	變化率賣出信號策略：當價格的變化率超過閾值時，產生賣出信號 1，當change > 0，且day日漲幅大於change時，產生-1賣出信號 2，當change < 0，且day日跌幅大於change時，產生-1賣出信號
buyrate	`BuyRate`	變化率買入信號策略：當價格的變化率超過閾值時，產生買入信號 1，當change > 0，且day日漲幅大於change時，產生1買入信號 2，當change < 0，且day日跌幅大於change時，產生1買入信號
long	`TimingLong`	簡單擇時策略，整個歷史週期上固定保持多頭全倉狀態
short	`TimingShort`	簡單擇時策略，整個歷史週期上固定保持空頭全倉狀態
zero	`TimingZero`	簡單擇時策略，整個歷史週期上固定保持空倉狀態
all	`SelectingAll`	保持歷史股票池中的所有股票都被選中，投資比例平均分配
select_none	`SelectingNone`	保持歷史股票池中的所有股票都不被選中，投資倉位爲0
random	`SelectingRandom`	在每個歷史分段中，按照指定的比例（p<1時）隨機抽取若干股票，或隨機抽取指定數量（p>=1）的股票進入投資組合，投資比例平均分配
finance	`SelectingAvgIndicator`	以股票過去一段時間內的財務指標的平均值作爲選股因子選股，基礎選股策略：以股票的歷史指標的平均值作爲選股因子，因子排序參數可以作爲策略參數傳入，改變策略數據類型，根據不同的歷史數據選股，選股參數可以通過pars傳入
ndaylast	`SelectingNDayLast`	以股票N天前的價格或數據指標作爲選股因子選股
ndayavg	`SelectingNDayAvg`	以股票過去N天的價格或數據指標的平均值作爲選股因子選股
ndayrate	`SelectingNDayRateChange`	以股票過去N天的價格或數據指標的變動比例作爲選股因子選股
ndaychg	`SelectingNDayChange`	以股票過去N天的價格或數據指標的變動值作爲選股因子選股
ndayvol	`SelectingNDayVolatility`	根據股票以前N天的股價波動率作爲選股因子

如果需要查看每一個內置交易策略的詳細解釋，例如策略參數的含義、信號生成規則，可以查看每一個交易策略的Doc-string：

例如：

qt.built_ins('Crossline')

可以看到

Init signature: qt.built_in.TimingCrossline(pars:tuple=(35, 120, 0.02))
Docstring:     
crossline择时策略类，利用长短均线的交叉确定多空状态

策略参数：
    s: int, 短均线计算日期；
    l: int, 长均线计算日期；
    m: float, 均线边界宽度（百分比）；
信号类型：
    PT型：目标仓位百分比
信号规则：
    1，当短均线位于长均线上方，且距离大于l*m%时，设置仓位目标为1
    2，当短均线位于长均线下方，且距离大于l*mM时，设置仓位目标为-1
    3，当长短均线之间的距离不大于l*m%时，设置仓位目标为0

策略属性缺省值：
默认参数：(35, 120, 0.02)
数据类型：close 收盘价，单数据输入
采样频率：天
窗口长度：270
参数范围：[(10, 250), (10, 250), (0, 1)]
策略不支持参考数据，不支持交易数据
File:           ~/Library/CloudStorage/OneDrive-Personal/Projects/PycharmProjects/qteasy/qteasy/built_in.py
Type:           type
Subclasses:     

在ipython等交互式python環境中，也可以使用?來顯示內置交易策略的詳細資訊，例如：

>>> qt.built_in.SelectingNDayRateChange?

可以看到：

Init signature: qt.built_in.SelectingNDayRateChange(pars=(14,))
Docstring:     
基础选股策略：根据股票以前n天的股价变动比例作为选股因子

策略参数：
    n: int, 股票历史数据的选择期
信号类型：
    PT型：百分比持仓比例信号
信号规则：
    在每个选股周期使用以前n天的股价变动比例作为选股因子进行选股
    通过以下策略属性控制选股方法：
    *max_sel_count:     float,  选股限额，表示最多选出的股票的数量，默认值：0.5，表示选中50%的股票
    *condition:         str ,   确定股票的筛选条件，默认值'any'
                                'any'        :默认值，选择所有可用股票
                                'greater'    :筛选出因子大于ubound的股票
                                'less'       :筛选出因子小于lbound的股票
                                'between'    :筛选出因子介于lbound与ubound之间的股票
                                'not_between':筛选出因子不在lbound与ubound之间的股票
    *lbound:            float,  执行条件筛选时的指标下界, 默认值np.-inf
    *ubound:            float,  执行条件筛选时的指标上界, 默认值np.inf
    *sort_ascending:    bool,   排序方法，默认值: False,
                                True: 优先选择因子最小的股票,
                                False, 优先选择因子最大的股票
    *weighting:         str ,   确定如何分配选中股票的权重
                                默认值: 'even'
                                'even'       :所有被选中的股票都获得同样的权重
                                'linear'     :权重根据因子排序线性分配
                                'distance'   :股票的权重与他们的指标与最低之间的差值（距离）成比例
                                'proportion' :权重与股票的因子分值成正比

策略属性缺省值：
默认参数：(14,)
数据类型：close 收盘价，单数据输入
采样频率：月
窗口长度：150
参数范围：[(2, 150)]
策略不支持参考数据，不支持交易数据
File:           ~/Library/CloudStorage/OneDrive-Personal/Projects/PycharmProjects/qteasy/qteasy/built_in.py
Type:           type
Subclasses:    

多重策略以及策略組合

在qteasy中，一個Operator交易員對象可以同時運行多個交易策略。這些交易策略在運行的時候，都會分別提取各自所需的歷史數據，獨立生成不同的交易信號，這些交易信號會被組合成一組交易信號，統一執行。

利用這種特性，用戶可以在一個交易員對象中同時運行多個各有側重的交易策略，例如，一個交易策略監控個股的股價，根據股價產生擇信號，第二個交易策略專門負責監控大盤走勢，通過大盤走勢決定整體倉位。第三個交易策略專門負責止盈止損，在特定時刻止損。最終的交易信號以第一個交易策略爲主，但受到第二個策略的節制，必要時會被第三個策略完全控制。

或者，用戶也可以很容易地制定出一個“委員會”策略，在一個綜合性策略中由多個策略獨立地做出交易決策，最終的交易信號由所有子策略組成的”委員會“投票決定，投票的方式可以是簡單多數、絕對多數、加權投票結果等等。

上述交易策略組合中，每一個獨立的交易策略都很簡單，很容易定義，而將他們組合起來，又能發揮更大的作用。同時每一個子策略都是獨立的，可以自由組合出複雜的綜合性交易策略。這樣可以避免不斷地重複開發策略，只需要對子策略重新排列組合，重新定義組合方式，就可以快速地搭建一系列的複雜綜合性交易策略。相信這樣能夠極大地提高交易策略的搭建效率，縮短週期。時間就是金錢。

不過，在一個Operator對象中，不同策略生成的交易信號可能運行的交易價格是不同的，例如，某些策略生成開盤價交易信號，而另一些策略生成的是收盤價交易策略，那麼不同的交易價格信號當然不應該混合。但除此之外，只要是交易價格相同的信號，都應該全部混合。

交易信號的混合即交易信號的各種運算或函數，從簡單的邏輯運算、加減運算一直到複雜的自定義函數，只要能夠應用於一個ndarray的函數，理論上都可以用於混合交易信號，只要最終輸出的交易信號有意義即可。

定義策略組合方式`blender`

qteasy中的組合策略是由blender實現的。在一個Operator中，如果策略的數量多於1個，就必須定義一個blender。如果沒有明確定義blender，而策略的數量超過1個時，qteasy會在運行Operator的時候創建一個默認的blender，但是爲了讓多重策略正確運行，用戶需要自行定義blender。

blender expression是用戶自行定義的一個組合表達式，用戶使用這個表達式確定不同交易策略的組合方式。這個組合表達式使用四則運算符、邏輯運算符、函數等符號規定策略信號是如何組合的。blender表達式中可以包括以下元素：

blender表達式中支持的函數如下：

元素	示例	說明
策略序號	`s1`	以s開頭，數字結尾的字符串，數字爲`Operator`中的策略的序號，代表這個策略生成的交易信號
數字	`-1.35`	任何合法的數字，參與表達式運算的數字
運算符	`+`	包括`'+-*/^'`等四則運算符
邏輯運算符	`and`	支持`』&
函數	`sum()`	支持的函數參見後表
括號	`()`	組合運算

`blender`示例

當一個Operator對象中有三個交易策略時（其序號分別爲0/1/2），按照以下方式定義的blender都是合法可用的，同時使用Operator.set_blender()來設置blender：

使用四則運算符定義blender表達式

's0 + s1 + s2'

此時三個交易策略生成的交易信號會被加起來，成爲最終的交易信號，如果策略0的結果爲買入10%，策略1結果爲買入10%，策略2結果爲買入30%，則最終的結果爲買入50%

使用邏輯運算符定義blender表達式：

's0 and s1 and s2'

表示只有當交易策略1、2、3都出現交易信號的時候，纔會最終形成交易信號。如策略1的結果爲買入，策略2結果爲買入，而策略3沒有交易信號，則最終的結果爲沒有交易信號。

blender表達式中還可以包含括號和一些函數：

'max(s0, s1) + s2'

表示策略1、2的結果中最大值與策略3的結果相加，成爲最終交易信號。如果策略1的結果爲買入10%，策略2結果爲買入20%，策略3結果爲買入30%，最終的結果爲買入50%

blender 表達式中每個策略可以出現不止一次，也可以出現純數字：

'(0.5 * s0 + 1.0 * s1 + 1.5 * s2) / 3 * min(s0, s1, s2)'

上面的blender表達式表示：首先計算三個策略信號的加權平均（權重分別爲0.5、1.0、1.5），然後再乘以三個信號的最小值

blender 表達式中函數的操作參數在函數名中定義：

'clip_-0.5_0.5(s0 + s1 + s2) + pos_2_0.2(s0, s1, s2)'

上面的blender表達式定義了兩種不同的函數操作，分別得到結果後相加得到最終結果。第一個函數是範圍剪切，將三組策略信號相加後，剪切掉小於-0.5的信號值以及大於0.5的信號值，得到計算結果；第二個函數是倉位判斷函數，統計三組信號中持倉大於0.2的時間段，將其定義爲“多頭”，然後再統計每一個時間段三個策略中持多頭建議的數量，如果超過兩個策略持多頭建議，則輸出滿倉多頭，否則輸出空倉。

blender表達式中支持的函數如下：

函數	表達式	說明
abs	`abs(*signals)`	絕對值函數計算所有交易信號的絕對值輸入信號的數量不限
avg	`avg(*signals)`	平均值函數計算所有交易信號的平均值輸入信號的數量不限
avgpos	`avgpos_N_T(*signals)`	平均值累計函數當交易信號爲持倉目標信號時，統計同一時間產生非空倉信號（輸出信號絕對值>T）的個數，當空頭/多頭信號的數量大於N時，輸出所有空頭/多頭信號的平均值，否則輸出0. 輸入信號的數量不限
ceil	`ceil(signal)`	向上取整函數交易信號向上取整只能輸入一個交易信號
clip	`clip_U_L(signal)`	範圍剪切函數剪切超過範圍的信號值，剪切上下範圍在函數名中定義只能輸入一個交易信號
combo	`combo(*signals)`	組合值函數輸出所有交易信號加總的值輸入信號的數量不限
committee	`cmt_N_T(*signals)`	委員會函數（等同於累計持倉函數））當交易信號爲持倉目標信號時，統計同一時間產生非空倉信號（輸出信號絕對值>T）的個數數，當多頭/空頭信號的數量大於N時，輸出-1/1，否則輸出0. 輸入信號的數量不限
exp	`exp(signal)`	exp函數計算e的信號次冪只能輸入一個交易信號
floor	`floor(signal)`	向下取整函數交易信號向下取整只能輸入一個交易信號
log	`log(signal)`	對數函數計算以e爲底的對數值只能輸入一個交易信號
log10	`log10(signal)`	以10爲底的對數函數計算以10爲底的對數值只能輸入一個交易信號
max	`max(*signals)`	最大值函數計算所有交易信號的最大值輸入信號的數量不限
min	`min(*signals)`	最小值函數計算所有交易信號的最小值輸入信號的數量不限
pos	`pos_N_T(*signals)`	累計持倉函數當交易信號爲持倉目標信號時，統計同一時間產生非空倉信號（輸出信號絕對值>T）的個數數，當多頭/空頭信號的數量大於N時，輸出-1/1，否則輸出0. 輸入信號的數量不限
position	`position_N_T(*signals)`	累計持倉函數當交易信號爲持倉目標信號時，統計同一時間產生非空倉信號（輸出信號絕對值>T）的個數數，當多頭/空頭信號的數量大於N時，輸出-1/1，否則輸出0. 輸入信號的數量不限
pow	`pow(*signals)`	冪函數計算第一個交易信號的第二個信號次冪即sig0^sig1 輸入信號的數量只能爲兩個
power	`power(*signals)`	冪函數計算第一個交易信號的第二個信號次冪即sig0^sig1 輸入信號的數量只能爲兩個
sqrt	`sqrt(signal)`	平方根函數交易信號的平方根只能輸入一個交易信號
str	`str_T(*signals)`	強度累計函數將所有交易信號加總，當信號強度超過T時，輸出1，否則輸出0 輸入信號的數量不限
strength	`strength_T(*signals)`	強度累計函數將所有交易信號加總，當信號強度超過T時，輸出1，否則輸出0 輸入信號的數量不限
sum	`sum(*signals)`	組合值函數輸出所有交易信號加總的值輸入信號的數量不限
unify	`unify(signal)`	均一化函數均一化交易信號，等比縮放同一行的交易信號使每一行的總和爲1 只能輸入一個交易信號
vote	`vote_N_T(*signals)`	委員會投票函數（等同於累計持倉函數）當交易信號爲持倉目標信號時，統計同一時間產生非空倉信號（輸出信號絕對值>T）的個數數，當多頭/空頭信號的數量大於N時，輸出-1/1，否則輸出0. 輸入信號的數量不限

以下方法可以被用來設置或獲取策略的blender

`operator.set_blender(blender=None, price_type=None)`

設置blender，直接傳入一個表達式，這個表達式會被自動解析後用於組合交易策略。

`operator.view_blender()`

查看blender

`blender`使用示例

下面使用一個例子來演示blender的工作方式：

# 创建一个交易员对象，同时运行五个相同的dma交易策略，这些交易策略运行方式相同，但是设置不同的参数后，会产生不同的交易信号。我们通过不同的策略组合方式，得到不同的回测结果
op = qt.Operator('dma, dma, dma, dma, dma')
# 分别给五个不同的交易策略设置不同的策略参数，使他们产生不同的交易信号
op.set_parameter(stg_id=0, pars=(132, 200, 24))
op.set_parameter(stg_id=1, pars=(124, 187, 51))
op.set_parameter(stg_id=2, pars=(103, 81, 16))
op.set_parameter(stg_id=3, pars=(48, 111, 148))
op.set_parameter(stg_id=4, pars=(104, 127, 58))

# 第一种组合方式：加权平均方式：分别给每一个不同的策略设置不同的权重：
# s0: 权重0.8
# s0: 权重1.2
# s0: 权重2.0
# s0: 权重0.5
# s0: 权重1.5
# 将五个交易策略生成的交易信号加权平均后得到最终的交易信号
op.set_blender('(0.8*s0+1.2*s1+2*s2+0.5*s3+1.5*s4)/5')

# 运行策略
res = qt.run(op, mode=1)
# 得到结果如下：年化收益12.19，夏普率1.053

     ====================================
     |                                  |
     |       BACK TESTING RESULT        |
     |                                  |
     ====================================

qteasy running mode: 1 - History back testing
time consumption for operate signal creation: 130.5ms
time consumption for operation back looping:  523.8ms

investment starts on      2016-04-05 00:00:00
ends on                   2021-02-01 00:00:00
Total looped periods:     4.8 years.

-------------operation summary:------------

          Sell Cnt Buy Cnt Total Long pct Short pct Empty pct
000300.SH   478      421    899   89.7%      0.0%     10.3%   

Total operation fee:     ¥    2,615.40
total investment amount: ¥  100,000.00
final value:              ¥  174,263.46
Total return:                    74.26% 
Avg Yearly return:               12.19%
Skewness:                         -0.31
Kurtosis:                         10.31
Benchmark return:                65.96% 
Benchmark Yearly return:         11.06%

------strategy loop_results indicators------ 
alpha:                            0.007
Beta:                             1.408
Sharp ratio:                      1.053
Info ratio:                       0.000
250 day volatility:               0.111
Max drawdown:                    12.26% 
    peak / valley:        2019-04-19 / 2020-02-03
    recovered on:         2020-07-06
===========END OF REPORT=============

png

# 第二种组合方式：将五个交易策略看成一个“委员会”，最终的持仓仓位由委员会投票决定：
# 当同一时间累计五个策略中至少三个输出多头满仓使，输出多头满仓，否则空仓
op.set_blender('pos_3_0(s0, s1, s2, s3, s4)')
# 运行策略
res = qt.run(op, mode=1)
# 得到结果如下：年化收益13.39，夏普率1.075

     ====================================
     |                                  |
     |       BACK TESTING RESULT        |
     |                                  |
     ====================================

qteasy running mode: 1 - History back testing
time consumption for operate signal creation: 540.1ms
time consumption for operation back looping:  435.8ms

investment starts on      2016-04-05 00:00:00
ends on                   2021-02-01 00:00:00
Total looped periods:     4.8 years.

-------------operation summary:------------

          Sell Cnt Buy Cnt Total Long pct Short pct Empty pct
000300.SH    11       10     21   55.4%      0.0%     44.6%   

Total operation fee:     ¥      585.88
total investment amount: ¥  100,000.00
final value:              ¥  183,485.41
Total return:                    83.49% 
Avg Yearly return:               13.39%
Skewness:                         -0.43
Kurtosis:                         14.75
Benchmark return:                65.96% 
Benchmark Yearly return:         11.06%

------strategy loop_results indicators------ 
alpha:                            0.046
Beta:                             1.003
Sharp ratio:                      1.075
Info ratio:                       0.006
250 day volatility:               0.124
Max drawdown:                    15.71% 
    peak / valley:        2019-04-19 / 2020-02-03
    recovered on:         2020-07-31
===========END OF REPORT=============

png

# 第三种组合方式：同样是委员会策略，但输出满仓多头的投票门槛变为2票，即只要有两个策略认为输出多头即可
op.set_blender('pos_2_0(s0, s1, s2, s3, s4)')
# 运行策略
res = qt.run(op, mode=1)
# 得到结果如下：年化收益12.88，夏普率0.824

     ====================================
     |                                  |
     |       BACK TESTING RESULT        |
     |                                  |
     ====================================

qteasy running mode: 1 - History back testing
time consumption for operate signal creation: 133.8ms
time consumption for operation back looping:  500.0ms

investment starts on      2016-04-05 00:00:00
ends on                   2021-02-01 00:00:00
Total looped periods:     4.8 years.

-------------operation summary:------------

          Sell Cnt Buy Cnt Total Long pct Short pct Empty pct
000300.SH    15       14     29   71.4%      0.0%     28.6%   

Total operation fee:     ¥      707.30
total investment amount: ¥  100,000.00
final value:              ¥  179,532.76
Total return:                    79.53% 
Avg Yearly return:               12.88%
Skewness:                         -0.45
Kurtosis:                         10.45
Benchmark return:                65.96% 
Benchmark Yearly return:         11.06%

------strategy loop_results indicators------ 
alpha:                            0.029
Beta:                             1.000
Sharp ratio:                      0.824
Info ratio:                       0.007
250 day volatility:               0.144
Max drawdown:                    15.94% 
    peak / valley:        2018-01-24 / 2019-01-03
    recovered on:         2019-02-25
===========END OF REPORT=============

png

內置交易策略